Friction Modeling and Monitoring for Machine Tool Health Management
Notice bibliographique
Résumé
Monitoring of machine tool (MT) health is essential to ensure maximum performance and reliability. One way to monitor the health of the MT is to monitor the various components of the MT, including the spindle, cutting tools, and feed drives. Feed drives, for example, have several parameters to monitor, such as the stiffness, preload, backlash, and the subject of this work, friction. Various factors will affect the friction in MTs, primarily preload, lubrication, and wear, these operating characteristics are of interest when monitoring the effects of friction on MT performance. Friction will change at different speeds, at different positions along the axis, as well as changing over time. To monitor it, the friction can be parameterized into a Stribeck friction curve (SFC), which can be monitored over time and position along the axis to get a holistic view of the MT health. This provides a sensor-less monitoring solution which can be part of a greater health management program for the MT. The effectiveness of this method is displayed in a case study where the friction is measured before and after a warm-up cycle and a clear distinction in the SFC is noted. It was observed that the friction is decreased after the warm-up cycle, likely due to the decrease in lubrication viscosity. In addition to the application case that was explored, this method could be used to monitor wear and identify other faults.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».